PHM系统分类及发展驱动力在哪？

工业软件运维管理类，解决工业设备检维修痛点。

1.PHM 系统分状态监测、故障诊断和故障预测三个层级

有别于事后维护，PHM 系统分为状态监测、故障诊断和故障预测3 个不同的层级。工业设备的运维往往伴随高温、高压、潮湿、粉尘、油污等工况，设备一旦发生故障将带来较高的经济损失。传统的设备维护方式有事后维护和预防性维护，都无法避免设备的突发性故障，同时运维成本也较高。而设备的预测性维护是依靠设备状态监测与故障诊断技术，通过识别和抓取设备运行的相关数据进行分析，确定设备状态、故障性质，预测设备故障程度及趋势，并提出相应运维策略的运维方式，是智能运维的最新发展方向。主要有状态监测、故障诊断和故障预测3 个不同的层级，随着层级的提升，可有效地提高设备的安全性和自主保障能力，降低设备的维修保障费用和事故率。

PHM 包括传感器网络的数据采集和传输、装备状态监测、故障诊断、故障预测、健康管理和决策等。首先，PHM 技术通过部署在装备上的传感器网络收集反映装备健康状态的相关数据，如振动、转速、温度、电流及声发射等。由于复杂运行环境以及传感器故障等因素，获取的数据往往质量较差，因此需要有效的信号预处理方法来保障数据质量。常见的数据质量保障方法包括数据规整、数据清洗及数据恢复。其次，对于获取的数据，需要进一步从中提取故障敏感特征信息，其中常见的方法包括基于信号处理技术的人工特征提取、特征选择、降维以及深度学习方法。机器学习算法通过提取到的特征进行异常检测、故障诊断及预测。最后，PHM 技术根据故障诊断及预测状态制定维修决策，形成维修建议。经过几十年的理论研究和实际应用，PHM技术为提高系统的可靠性和安全性开辟了一条新的途径，并在技术进步和市场拓展的双重驱动下得到了迅速的发展，产生了巨大的经济效益和社会效益。

（一）健康评估技术。健康评估一般分为训练阶段和验证阶段，训练阶段主要基于健康状态下的历史数据，如列举 n 个特征、m 组数据，将 m×n 矩阵作为训练数据，通过监督学习和非监督学习均可生成健康评估模型，如图所示。其中，健康特征包含量化物理量、统计指标、虚拟指标三大类。

（二）诊断技术。基于历史数据、机理知识建立故障诊断模型，结合健康基准模型实现对影响装备安全可靠运行的异常和重要报警的定位、原因分析，辅助人员缩小故障范围，提高故障排除效率。故障诊断模型作为监控系统的后台模型，实时对系统的运行状态进行监测，追溯故障原因，实现故障诊断功能，提高故障定位效率，并有效提高设备管理水平。

（三）预测技术。预测技术包含故障预测及剩余使用寿命预测。故障预测可实现对已知故障进行有效预测，在故障发生之前进行主动干预，避免非计划性停机，逐步实现设备的智能化管理。剩余使用寿命预测评估部件或者系统的剩余使用寿命。实现预测的技术路线有基于可靠性、基于物理机理、基于数据驱动三种。基于可靠性技术路线通过概率统计进行定性预测，精度较低。基于物理机理技术路线根据全生命周期试验得到的机理模型，建立衰退模型，准确预判失效模式与发生时间。基于数据驱动技术路线通过数学方式，对连续信号、离散数据进行拟合，形成模型，可结合机理知识提高模型精度。

2. 三重驱动为行业发展按下加速键

2.1 内生驱动：省时、降本、延寿，现代运维“必选项”

设备预测性维护有望有效保障设备安全运行、节约维护时间并降低维修成本。预测性维护有明显的降本增效的功能：最具代表性的是美军F-35 战斗机故障预测与健康管理系统，维修人力减少了 20%~40%，出动架次率提高了25%，总后勤保障成本降低了 50%。同时逐渐向民用市场拓展：在汽车领域设备预测性维护系统有望节约20%-50%的计划维护时间，降低 5%-10%的设备总维护成本，并提升10%-20%的设备运行时间；宝武运维试验线运行以来，故障预警准确率是90%，点检工作量下降了80%，非计划停机时间下降 30%，检修负荷下降 20%，有效降低检修成本，提高生产效率。

PHM 在设备的各个生命周期中发挥重要作用。随着工业设备的状态监测与故障诊断成为实现智能制造的重要环节之一，PHM 在各行业领域渗透率有望进一步提升。通常情况下设备生命周期为：1）设备在使用开始时，常常会由于操作和适配等问题而出现故障；2）随着产品需求和性能逐渐磨合，设备运行进入稳定期；3）到了使用后期，设备的故障率会因为老化、折损等问题而不断提高，最终设备报废。PHM的作用为在设备工业信息化和智能化升级的过程中，不断调整预测模型，定期进行检测，降低运维成本并制定全局最优的维护方案。因此，PHM 对于延长设备寿命具有重要意义。

2.2 技术驱动：物联网、通讯、深度学习，提升产品性能与准确性

新一代信息技术、人工智能技术的发展，将从优化建模角度推动PHM技术大发展。在服务型制造中，PHM 的主要业态模式为远程运维，其作用是基于设备物联，做设备级的监控、诊断、维护，产线级的生产过程管控，企业层面的资源计划和优化配置。PHM 是实现从设备端到服务增值的核心技术。建模仿真、大数据、边缘计算、物联网等新一代现代信息技术的发展，以及人工智能技术的迭代，将从优化建模角度显著推动 PHM 发展，增强其对于机械设备退化类故障的辨识能力，从而发挥PHM基于预测信息进行后续管控优化的作用。比如高可信 PHM 可以缓解深度学习不可解释的弊端，提高 PHM 模型的安全性和可靠性，最终实现高可信智能决策。

深度学习有望加速 PHM 行业快速发展。随着机械装备不断朝高速化、大型化、智能化方向发展，为了保障机械设备高效、安全、可靠运行，机械装备的工作环境恶劣，工况复杂，多系统相互耦合，其状态监测信息呈现出典型的“体量浩大、多源异构、生成快速、价值稀疏”的大数据 4V 特征。因此，“大数据”背景下的装备健康管理呈现出“三高”特点：(1)需要高容量的大数据存贮能力；(2)需要高效实时的数据处理能力；(3)需要高强的多源异构适应性。针对以上特点，亟需能从海量数据中自适应提取故障特征并进行有效诊断、评估和预测的数据处理方法。深度学习理论以强大的建模与数据处理能力，在图像处理、语音识别、自然语言处理等领域取得了巨大的成功，未来有可能将深度学习理论逐步引入到设备 PHM 当中，做了一些开拓性的工作。

2.3 政策驱动：制造业智能化转型升级，政策保驾护航

制造业转型升级需求带动行业发展。随着我国制造业转型升级战略推进，相关部门不断推出制造业转型相关政策，推动制造业综合实力持续增强。同时，国家也发力推动国有企业数字化智能化转型升级，加速信息化工业化融合，打造行业数字化转型示范样板。在制造业转型升级和国有企业数字化的战略背景下，越来越多的工业企业将要推动数字化、自动化、智能化改造，设备 PHM 系统可以推动设备运维向智能化新模式转变，下游需求进一步提高，迎来发展机遇。工业设备的健康管理是智能制造发展方向之一。2021 年工信部、国家发改委等8部门发布的《“十四五”智能制造发展规划》中明确提及“实施大型制造设备健康监测和远程运维，保证流程安全运行；打造全生命周期数据共享平台，实现全产业链优化”，并在工业软件突破提升行动专栏提及“故障预测与健康管理软件（PHM）、运维综合保障管理（MRO）”。随着工业自动化、智能化水平不断提升，工业设备的现代化运维管理已经成为工业数字化、智能化转型必不可少的部分。